A Frequency-Structure Approach for Link Stream Analysis
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；LIP6（LIP6实验室）
本文提出一种用于链路流分析的线性矩阵框架，结合图基分解与图滤波器，将链路流表示在频率-结构域中，揭示交互聚合等转换的本质。
2022-12-07 cs.LG cs.SI eess.SP
Faster maximal clique enumeration in large real-world link streams
针对链接流中极大团枚举问题，提出一种基于Bron-Kerbosch思想的新算法，复杂度优于现有方法，在多达1亿条链接的大规模数据上快10至10^4倍。
2024-05-24 cs.CC cs.DS cs.IR
Longitudinal Modularity, a Modularity for Link Streams
UCBL（里昂第一大学）；CNRS（法国国家科学研究中心）；INSA Lyon（里昂国立应用科学学院）；LIRIS（里昂信息与图像系统实验室）；University of Zurich（苏黎世大学）；Univ de Lyon（里昂大学）；ENSL（里昂高等师范学院）；Laboratoire de Physique（物理实验室）
本文首次将模块度质量函数适配到链接流，提出一种独立于分析时间尺度的纵向模块度，并通过实验验证其在动态社区评估中的有效性。
2024-08-29 cs.IR cs.LG cs.SI
Weighted, Bipartite, or Directed Stream Graphs for the Modeling of Temporal Networks
我们最近介绍了一种用于时态网络建模的形式主义，我们称之为流图。它强调数据的流性质，并允许对许多重要概念的严格定义，从而概括了经典图。这特别包括大小、密度、集团、邻域、度、聚类系数和传递性。在这方面的贡献，我们表明，像图，流图可以扩展到应付二分结构，节点和链接的权重，或链接方向。我们回顾了文献中提出的主要的二分，加权或有向图的概念，我们将它们推广到二分，加权，或有向流图的情况下，我们表明，得到的概念是一致的图和流图。这为具有这些特征中的一个或多个的许多时间网络的准确建模提供了正式的基础。
2021-11-23 cs.DS cs.SI physics.soc-ph
Detecting Stable Communities in Link Streams at Multiple Temporal Scales
链接流模型在广泛的领域中随着时间的推移进行交互。在这种模式下，面临的挑战是有效地挖掘时间和拓扑结构。社区发现和变化点检测是分析这种不断变化的相互作用的最有力的工具之一。在本文中，我们建立在这两个检测稳定的社区结构，确定有意义的社区内的变化点。与现有的动态社区发现算法不同，该方法能够在多个时间尺度上有效地发现稳定的社区。我们测试了我们的方法在合成网络上的有效性，以及从真实社交网络中提取的高分辨率时变网络的联系人。
2019-07-24 cs.SI physics.soc-ph
LSCPM: communities in massive real-world Link Streams by Clique Percolation Method
本文提出LSCPM算法，将团渗透方法适配到链路流，实现大规模真实数据集上的高效社区检测，显著优于现有方法，并验证了社区结果的相关性。
2023-08-21 cs.IR cs.SI
Degree-based Outlier Detection within IP Traffic Modelled as a Link Stream
本文旨在精确地检测和识别IP流量中的异常事件。为此，我们采用了链接流形式主义，适当地捕捉时间和结构特征的数据。在此框架内，我们重点关注随着时间的推移发现与IP地址程度相关的异常行为。由于IP配置文件的多样性，此功能通常分布不均匀，使我们无法直接找到异常。为了应对这一挑战，我们设计了一种方法来检测离群值，以及精确地确定其原因在一系列类似的异质分布。我们将其应用到几个MAWI捕获的IP流量，我们表明，它成功地检测相关模式的异常网络活动。
2019-06-06 cs.NI cs.SI
Analysis of the temporal and structural features of threads in a mailing-list
链接流是指示在时间$t$在$u$和$v$之间发生交互的三元组$(t,u,v)$的集合。链接流模拟了许多现实世界的情况，如个人之间的电子邮件交换，设备之间的连接等。许多工作目前致力于推广的经典图和网络的概念，链接流。本文对现有的群落内密度和群落间密度的概念进行了推广。我们专注于Debian邮件列表中的电子邮件交换，并表明电子邮件的线程，如图中的社区，从链接流的角度来看，是松散连接的密集子集。
2015-12-15 cs.SI
Link Stream Graph for Temporal Recommendations
Sorbonne Université（索邦大学）；IRD（法国发展研究院）；Université de Yaoundé I（雅温得第一大学）；CNRS（法国国家科学研究中心）
一些推荐系统的研究是基于显式的评分数据，但在许多现实世界的电子商务平台，评分并不总是可用的，在这些情况下，推荐系统必须处理隐式数据，如用户的购买历史，浏览历史和流媒体历史。在这种情况下，经典的二分用户项图（BIP）被广泛用于计算前N个推荐。然而，这些图有一些局限性，特别是在考虑时间动态方面。这并不好，因为用户的偏好会随着时间的推移而改变。为了克服这一限制，Xiang等人提出了基于会话的时间图（STG），以在基于图的推荐系统中结合长期和短期偏好。但在STG中，时间被划分为片段，因此被认为是不连续的。这种方法丢失了用户动作的真实时间动态的细节。为了解决这一挑战，我们提出了链接流图（LSG），这是一个扩展的链接流表示提出的拉蒂默等人。它允许模型之间的交互用户和项目考虑时间连续。在四个真实世界的隐式时间推荐数据集上进行的实验表明，与最常用的最先进的推荐图BIP和STG相比，LSG在12种情况中的9种情况下是最好的。
2019-03-27 cs.IR cs.LG cs.SI
Social Links vs. Language Barriers: Decoding the Global Spread of Streaming Content
本研究针对流媒体内容全球传播中平台异同及社交、文化因素被忽视的问题，基于两年趋势榜单数据分析三大平台，发现内容分视频/音频导向型且传播路径不同，YouTube兼具双重属性正演变为独特媒介。
2024-04-18 cs.CY cs.SI physics.soc-ph
Non-Altering Time Scales for Aggregation of Dynamic Networks into Series of Graphs
来自真实世界上下文的许多动态网络是链路流，即三元组$(u,v,t)$的有限集合，其中$u$和$v$是在时间$t$在它们之间具有链路的两个节点。对这些对象的大量研究开始于在长度为$Δ$的不相交时间窗口中聚合数据，以获得一系列图形，在这些图形上进行所有后续分析。在这里，我们关注的是所选择的$Δ$对所获得的图形系列的影响。我们解决的基本问题，知道是否使用一个给定的$Δ$形成的一系列图形忠实地描述了原始的链接流。我们回答这个问题表明，这样的动态网络表现出一个阈值$Δ$，我们称之为\emph{saturation scale}，超过该属性的链接流的传播被改变，而它们大多是保存在之前。我们设计了一个自动的方法来确定任何链接流的饱和度，我们应用和验证几个真实世界的数据集。
2018-05-16 cs.SI
Generative Temporal Link Prediction via Self-tokenized Sequence Modeling
Central University of Finance and Economics（中央财经大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；iFLYTEK（科大讯飞）
我们形式化的网络与不断发展的结构作为时态网络，并提出了一个生成的链接预测模型，生成链接序列建模（GLSM），预测未来的链接时态网络。GLSM捕获的时间链接形成模式，从观察到的链接与序列建模框架，并有能力产生新的链接，从潜在的未来链接的概率分布推断。为了避免将每个链路视为唯一令牌而导致的过拟合，我们提出了一种自令牌化机制，将网络中的每个原始链路自动转换为抽象聚合令牌。自标记化无缝集成到序列建模框架中，这使得所提出的GLSM模型具有发现原始链接序列之外的链接形成模式的泛化能力。我们比较GLSM与现有的最先进的方法在五个真实世界的数据集。实验结果表明，GLSM获得未来的积极联系，有效地在一个生成的方式，同时实现最好的性能（2- 10%的改善AUC）在其他替代品。
2020-04-27 cs.IR cs.LG cs.SI
Discovering Emerging Topics in Social Streams via Link Anomaly Detection
Institute of Industrial Science（产业技术研究所）；The University of Tokyo（东京大学）
由于社交网络的快速增长，对新兴主题的检测现在重新受到关注。传统的基于词频的方法在这种情况下可能不合适，因为交换的信息不仅是文本，而且是图像、URL和视频。我们专注于这些网络的社会方面。也就是说，用户之间的链接是通过回复、提及和转发有意或无意地动态生成的。我们提出了一个概率模型的社交网络用户的提及行为，并建议检测一个新的主题的出现，通过该模型测量的异常。我们提出的提及异常分数与最近提出的基于顺序贴现归一化极大似然（SDNML）的变点检测技术相结合，或与Kleinberg的突发模型。聚集数百名用户的异常分数，我们表明，我们可以检测到新兴的主题，仅基于社交网络帖子中的回复/提及关系。我们展示了我们的技术在一些真实的数据集，我们从Twitter收集。实验结果表明，所提出的基于提及异常的方法可以检测新的主题至少早于传统的基于词频的方法，有时更早，当关键字是不明确的。
2011-10-13 cs.LG cs.SI physics.soc-ph
Predicting interactions between individuals with structural and dynamical information
捕获交互的结构和时间方面对于许多真实世界的数据集（如个人之间的联系）至关重要。使用链接流的形式主义，以捕捉系统的动态，我们解决了链接流中的活动预测的问题，也就是说，预测在给定的时间段内发生的链接的数量，我们提出了一个协议，利用包含在链接流的时间和结构信息。使用监督学习方法，我们能够对系统的动态进行建模以提高预测。我们研究了我们的算法的行为和影响预测的关键因素。通过引入不同类别的节点对，我们能够提高质量，并增加我们的预测的多样性。
2018-04-12 cs.SI physics.soc-ph
Strongly Connected Components in Stream Graphs: Computation and Experimentations
流图对高度动态的网络进行建模，其中节点和/或链接随时间到达和/或离开。流图中的强连通分支是最近才定义的，但还没有给出计算它们的算法。我们在这里提出了几个解决方案与多项式时间和空间复杂度，每个都有自己的长处和短处。我们提供了一个实现和实验比较各种实际情况下的算法。此外，我们提出了一个近似方案，大大降低了计算成本，并提供了更多的洞察数据集。
2021-09-02 cs.DS cs.SI
Attributed Stream Hypergraphs: temporal modeling of node-attributed high-order interactions
本文提出归因流超图（ASHs）工具箱，统一高阶建模与特征丰富扩充，用于表示、挖掘和分析复杂网络，并成功应用于社交网络中高阶同质性及时间路径等复杂现象的分析。
2023-03-31 cs.SI
On Graph Stream Clustering with Side Information
由于网络、社交网络和生物信息学等新兴应用，图聚类成为一个重要的问题。近来，许多这样的应用以流的形式生成数据。由于图的复杂结构和连续数据的计算困难，聚类大规模的动态图流是非常具有挑战性的。同时，大量的边信息与图相关联，其可以是各种类型。这些例子包括用户在社交网络活动中的属性、与web点击图流相关联的Meta属性以及移动通信网络中的位置信息。这些属性包含非常有用的信息，并有可能改善聚类过程，但被最近的图流挖掘技术所忽视。在本文中，我们定义了一个统一的距离度量的链接结构和侧属性的聚类。此外，我们提出了一个新的优化框架DMO，它可以动态优化的距离度量，使其适应新接收的流数据。我们进一步介绍了一个精心设计的统计SGS（C），消耗恒定的存储空间的流的进展。我们证明，保持的统计数据是足够的聚类过程，以及距离优化，可以扩展到大量的图形与侧属性。我们将提出实验结果，以显示该方法在图流聚类与链接和边信息超过基线的优势。
2013-01-28 cs.DB cs.SI
Complex networks for event detection in heterogeneous high volume news streams
University of Exeter（埃克塞特大学）
在大量的新闻流中检测重要事件是一项重要的任务，在线新闻的数量和速度增加了对可以实时的操作的自动事件检测方法的需求。在本文中，我们开发了一种基于网络的方法，使工作假设，重要的新闻事件总是涉及命名的实体（如人，locationsand组织），在新闻文章中链接。我们的方法使用自然语言处理技术来检测这些实体在一个流的新闻文章，然后创建一个时间戳系列的网络中，检测到的实体的文章和句子中的同现链接。在这个原型中，加权节点度随时间跟踪和变点检测用于定位重要事件。潜在的事件的特点和区分使用社区检测的关键图，涉及命名的实体和信息名词短语从相关的文章。这种方法已经产生了有希望的结果，并将在未来扩展到包括各种复杂的网络分析技术。
2020-05-28 cs.CL cs.IR cs.SI
NesTPP: Modeling Thread Dynamics in Online Discussion Forums
在线论坛通过独特的话题-回复交流模式，为在线用户创造了一个交流思想、分享观点的异步对话环境。在这种模式下准确地建模信息动态是重要的，因为它提供了一种挖掘潜在传播模式和理解用户行为的手段。在本文中，我们设计了一个新的时间点过程模型来描述在线论坛中的信息级联。该模型将整个事件空间视为由主线程流及其链接的回复流组成的嵌套结构，并通过强度函数明确地对这两种类型的流之间的相关性进行建模。利用Reddit数据，我们检查了所设计的模型在不同应用程序中的性能，并将其与其他流行的方法进行了比较。实验结果表明，我们的模型可以产生有竞争力的结果，它优于国家的最先进的方法在大多数情况下。
2020-03-12 cs.SI
D-Tracker: Modeling Interest Diffusion in Social Activity Tensor Data Streams
SANKEN, Osaka University（SANKEN，大阪大学）
本文提出D-Tracker方法，将偏微分方程融入张量分解框架，以可解释、无超参数且可扩展的方式持续捕获社交活动张量数据流中的时间模式并预测未来活动，实验证明其在更短时间内实现了更高预测精度并提取了位置间兴趣扩散。
2025-05-01 cs.LG cs.SI
Modeling Human Annotation Errors to Design Bias-Aware Systems for Social Stream Processing
George Mason University（乔治梅森大学）；Universitat Pompeu Fabra（庞培法布拉大学）
高质量的人工注释是为社交媒体创建有效的机器学习系统所必需的。低质量的人工注释间接导致了不准确或有偏见的学习系统的创建。我们表明，人类注释质量取决于向注释者显示的实例的排序（称为"注释时间表"），并且可以通过向注释者提供的实例排序中的本地更改来改进，从而为高效的实时社交媒体分析提供更准确的数据流注释。我们提出了一个错误缓解主动学习算法，是强大的，在某些情况下，人为错误时，决定一个注释时间表。我们验证了人为错误模型，并通过对危机期间相关社交媒体帖子的分类任务进行实验，对所提出的算法进行了强基线评估。根据这些实验，考虑将数据实例呈现给人类注释者的顺序导致机器学习的准确性的增加以及对人类学习中可能影响自动分类器的一些潜在偏见的认识。
2019-07-16 cs.LG cs.SI
